El mejor OCR para documentos financieros en 2026

Los extractos. 47 extractos bancarios de 47 bancos, uno por banco: bancos franceses como BNP Paribas, Société Générale, Crédit Agricole y La Banque Postale, bancos alemanes y austriacos, y los neobancos que un prestamista ve en la práctica (Qonto, Revolut, Wise, bunq, Shine, PayPal, SumUp). 93 páginas en total, en francés, alemán e inglés. Todos los extractos se anonimizaron antes de la prueba: nombres, direcciones y números de cuenta sustituidos, y la estructura de las tablas sin cambios.

Los escaneos. Cada página se renderizó a 150 dpi en escala de grises, se giró 0,8 grados, se desenfocó ligeramente, se le añadió ruido de sensor y se guardó como JPEG con calidad 35. Es lo que envía por correo la fotocopiadora de una sucursal, y es para lo que existe el OCR.

Las respuestas. 492 transacciones, cada una con su fecha e importe, verificadas a mano frente al PDF siempre que un sistema evaluado discrepaba de la referencia.

La puntuación. Para cada transacción buscamos su importe en lo que el motor leyó en esa página, dígito a dígito: 1.234,56, 1 234,56 y 1,234.56 cuentan, 1234 no, y cada importe encontrado se usa una sola vez. Una fecha cuenta cuando aparecen su día y su mes. Todos los motores se ejecutaron en CPU, con sus modelos por defecto, y se puntuaron con el mismo código.

La velocidad. Los mismos 10 escaneos, en los mismos 8 núcleos de CPU, un motor cada vez. Hologlyph lee varias páginas a la vez; Tesseract lee una página cada vez por defecto, y es más rápido si se lanzan varias instancias.

Hologlyph es el motor OCR que Holofin desarrolla para los documentos que lee cada día: extractos bancarios, estados financieros, documentos de identidad y los escaneos que los acompañan.

En esta prueba leyó todos los importes que contiene la propia capa de texto del PDF (el que omitió tampoco está en la capa de texto) y fue el más rápido de los cinco. Una advertencia honesta: Hologlyph está entrenado con documentos financieros, por lo que la estructura de estos 47 extractos puede resultarle familiar.

RapidOCR empaqueta los modelos PP-OCRv4 de Baidu en ONNX, de modo que se instala con pip y se ejecuta en CPU sin ningún framework de deep learning. Lee líneas enteras de una vez, lo que funciona bien con los números. El precio lo pagan las palabras: en texto latino suele eliminar los espacios, así que RELEVE DE VOTRE COMPTE sale como RELEVEDEVOTRECOMPTE.

También pega elementos vecinos. En un extracto austriaco leyó la fecha contable y el importe como una sola cadena, 24.12.202315.000,00EUR. Un parser que lo interprete como un único número obtiene más de doscientos millones de euros.

docTR, de Mindee, lee en dos fases: un detector localiza las palabras y un reconocedor las lee. Devuelve cajas de palabras limpias con su posición, lo que lo convierte en el más sencillo de los cinco para construir un parser de tablas. Necesita PyTorch, y leyó completo un extracto más que RapidOCR, aunque omitió un importe más.

EasyOCR es el más fácil de instalar y lee más de 80 idiomas. En extractos escaneados leyó la mayoría de los importes, pero estropeó los decimales: 7.781,98 se convirtió en 7.78/,98, 50.000,00 en 50.000,oo/ y 25.000,00 en 25,00o 0o. Un cero leído como la letra o es una errata en una frase. En una columna de importes es una transacción que ya no se puede interpretar. También fue el más lento de los cinco.

Tesseract es la respuesta por defecto a "OCR gratuito". En estos escaneos omitió 1 importe de cada 9. Peor que las omisiones son las lecturas erróneas: 472,07 salió como 47207 y 22,38 como 2236. Ambos parecen importes reales. Un número que falta hace que un saldo falle de forma visible. Un número erróneo hace que falle en silencio.

Leer no es extraer

Un motor que lee todos los importes aún no le ha dicho cuál es el cargo, cuál es el abono y cuál es el saldo acumulado. Los extractos ponen las fechas en una línea y los importes en la siguiente, reparten las descripciones en tres líneas y repiten la cabecera en cada página. Convertir el texto en transacciones es una tarea aparte, y es de donde provienen la mayoría de los errores de extracción.

Un importe erróneo parece correcto

Cada lectura errónea anterior es un número válido. 47207 supera cualquier comprobación de formato que haga una hoja de cálculo. Lo único que lo detecta es la aritmética: el saldo inicial más las transacciones debe ser igual al saldo final. Si su pipeline no hace esa suma, no sabe si su OCR ha funcionado.

El OCR lee igual de bien un extracto falsificado

Un OCR perfecto lee un extracto editado con la misma fidelidad que uno auténtico. Si el PDF se modificó después de que lo generara el banco, o si una página fue redibujada por un modelo de imagen, es una pregunta que el OCR no se hace.